Analisis Penambahan Nilai Momentum Pada Prediksi Produktivitas Kelapa Sawit Menggunakan Backpropagation Neural Network
ANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI
PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN
BACKPROPAGATION NEURAL NETWORK
TESIS
EKA IRAWAN
147038036
PROGRAM STUDI S2 TEKNIK INFORMATIKA
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
Universitas Sumatera Utara
2016
ANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI
PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN
BACKPROPAGATION NEURAL NETWORK
TESIS
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Magister
Teknik Informatika
EKA IRAWAN
147038036
PROGRAM STUDI S2 TEKNIK INFORMATIKA
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
Universitas Sumatera Utara
2016
PERSETUJUAN
Judul
: Analisis Penambahan Nilai Momentum Pada Prediksi
Produktivitas Kelapa Sawit Menggunakan
Backpropagation Neural Network
Nama
: Eka Irawan
Nomor Induk Mahasiswa
: 147038036
Program Studi
: MAGISTER (S-2) TEKNIK INFORMATIKA
Fakultas
: ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
Komisi Pembimbing
:
Pembimbing 2
Pembimbing 1
Dr. Erna Budhiarti Nababan, M.IT
Prof. Dr. Muhammad Zarlis
Diketahui/disetujui Oleh
Program Studi S2 Teknik Informatika
Ketua,
Prof. Dr. Muhammad Zarlis
NIP. 19570701 198601 1 003
Universitas Sumatera Utara
PERNYATAAN
ANALISIS PENAMBAHAN MOMENTUM PADA PREDIKSI PRODUKTIVITAS
KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION NEURAL
NETWORK
TESIS
Saya mengakui bahwa tesis ini adalah hasil karya saya sendiri, kecuali beberapa
kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan,
Agustus 2016
Eka Irawan
147038036
Universitas Sumatera Utara
PERNYATAAN PERSETUJUAN PUBLIKASI
KARYA ILMIAH UNTUK KEPENTINGAN
AKADEMIS
Sebagai sivitas akademika Universitas Sumatera Utara, saya yang bertanda tangan
dibawah ini:
Nama
: Eka Irawan
NIM
: 147038036
Program Studi
: Teknik Informatika
Jenis Karya Ilmiah
: Tesis
Demi Pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada
Universitas Sumatera Utara Hak Bebas Royalti Non-Eksklusif (Non-Exclusive Royalty
Free Right) atas tesis saya yang berjudul :
ANALISIS PENAMBAHAN MOMENTUM PADA PREDIKSI
PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN
BACKPROPAGATION NEURAL NETWORK
Beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti NonEksklusif ini, Universitas Sumatera Utara berhak menyimpan, mengalih media,
memformat, mengolah dalam bentuk database, merawat dan mempublikasikan tesis
saya tanpa meminta izin dari saya selama tetap mencantumkan nama saya sebagai
penulis dan sebagai pemegang dan/atau sebagai pemilik hak cipta
Demikian pernyataan ini dibuat dengan sebenarnya.
Medan,
Agustus 2016
Eka Irawan
Universitas Sumatera Utara
147038036
Telah diuji pada
Tanggal : Agustus 2016
PANITIA PENGUJI TESIS
Ketua
: Prof. Dr. Muhammad Zalis
Anggota
: 1. Dr. Erna Budhiarti Nababan, M.IT
2. Prof. Dr. Herman Mawengkang
3. Prof. Dr. Tulus
Universitas Sumatera Utara
RIWAYAT HIDUP
DATA PRIBADI
Nama Lengkap
: Eka Irawan, S.Kom
Tempat dan Tanggal Lahir
: Pondok Lama, 18 Januari 1989
Alamat Rumah
: Jl. Malanthon Siregar, Gg. Cantik Manis No 2,
Pematangsiantar
Telp/Fax/HP
: 0812 6548 3736
Email
: [email protected]
Instansi Tempat Bekerja
: AMIK & STIKOM Tunas Bangsa
Alamat Kantor
: Jl. Jend. Sudirman Blok A, No. 1, 2 & 3
Pematangsiantar
DATA PENDIDIKAN
SD
: SD Negeri 091292 Simpang Raya
TAMAT : 2000
SLTP : SMP Negeri 2 Panei
TAMAT : 2003
SLTA : SMU Negeri 1 Panei
TAMAT : 2006
D3
: AMIK Tunas Bangsa Pematangsiantar
TAMAT : 2009
S1
: STTP Politeknik Poliprofesi Medan
TAMAT : 2010
S2
: Universitas Sumatera Utara
TAMAT : 2016
Universitas Sumatera Utara
KATA PENGANTAR
Ucapan syukur dan terimakasih penuli kepada Allah SWT, atas segala rahmatNya
sehingga penelitian ini yang berjudul “Analisis Penambahan Momentum Pada Prediksi
Produktivitas Kelapa Sawit Menggunakan Backpropagation Neural Network ” dapat
diselesaikan dengan baik. Maka dengan kerendahan hati penulis mengucapkan
terimakasih kepada :
1. Bapak Prof. Dr. Muhammad Zarlis selaku Ketua Program Studi S2 Teknik
Informatika.
2. Bapak Mohammad Andri Budiman, ST., M.Comp.Sc., M.E.M Selaku
Sekretaris Program Studi S2 Teknik Informatika.
3. Bapak Prof. Dr. Muhammad Zarlis selaku pembimbing utama penulis atas
arahan dan kesempatan yang diberikan kepada penulis untuk mengikuti dan
menyelesaikan Program Magister pada Program Studi Magister Teknik
Informatika Fakultas Ilmu Komputer dan Teknologi Informasi Universitas
Sumatera Utara.
4. Bapak Dr. Erna Budhiarti Nababan, M.IT selaku pembimbing kedua penulis
atas arahan dan kesempatan yang diberikan kepada penulis untuk mengikuti
dan menyelesaikan Program Magister pada Program Studi Magister Teknik
Informatika Fakultas Ilmu Komputer dan Teknologi Informasi Universitas
Sumatera Utara.
5. Seluruh Dosen dan Staf Pegawai Program Studi S2 Teknik Informatika
Fakultas Ilmu Komputer dan Teknologi Informasi
Universitas Sumatera
Utara, yang telah memberikan bantuan dan pelayanan terbaik selama
mengikuti perkuliahan hingga pada penyelesaian tesis ini.
6. Bapak H. Maulia Ahmad Ridwansyah Putra, selaku Ketua Yayasan
Muhammad Nasir Pematangsiantar, yang telah memberikan bantuan, moril
dan motifasi kepada penulis selama mengikuti perkuliahan hingga pada
penyelesaian tesis ini.
Universitas Sumatera Utara
7. Bapak Dedy Hartama, ST., M.Kom, yang telah memberikan bantuan, moril
dan motifasi kepada penulis selama mengikuti perkuliahan hingga pada
penyelesaian tesis ini.
8. Seluruh Dosen dan Staf Pegawai AMIK Tunas Bangsa, yang telah
memberikan bantuan dan moril selama mengikuti perkuliahan hingga pada
penyelesaian tesis ini.
9. Orangtua tercinta, ayahanda Edi Susanto dan Ibunda Wagiati serta saudarasaudaraku atas ketulusan do‟a, motifasi dan nasehat-nasehat sepanjang waktu
sehingga dapat menyelesaikan pendidikan.
10. Istri tercinta Yuyun Astri Ningsih Nasution atas ketulusan do‟a, motifasimotifasi yang diberikan kepada penulis sepanjang waktu sehingga dapat
menyelesaikan pendidikan.
11. Teman-teman seperjuangan KOM-A stambuk 2014 Fasilkom TI USU buat
kebersamaan dan kekompakkan dalam perkuliahan dan tetap semangat sampai
akhir.
12. Grup seperjuangan pengerjaan tesis Sumarno, M.Kom, Indra Gunawan,
M.Kom, Heru Satria, M.Kom, Muhammad Ridwan Lubis, M.Kom, Herry
Siagian, M.Kom, Budi Sibarani, M.Kom dan Eva Desiana, M.Kom.
Penulis menyadari bahwa isi tesis ini masih jauh dari kesempurnaan , untuk itu
mohon kiranya para pembaca memberikan masukan, kritik dan saran yang sifatnya
membangun untuk perbaikan sehingga dapat bermanfaat. Semoga karya ilmiah ini
bermanfaat bagi kemajuan Ilmu pengetahuan dan pendidikan.
Medan,
Agustus 2016
Eka Irawan
147038039
Universitas Sumatera Utara
Abstrak
Algoritma backpropagation merupakan multi layer perceptron yang banyak digunakan
untuk menyelesaikan persoalan yang luas, namun algoritma backpropagation juga
mempunyai keterbatasan yaitu laju konvergensi yang cukup lambat. Pada penelitian
ini penulis menambahkan parameter learning rate secara adaptif pada setiap iterasi
dan koefisien momentum untuk menghitung proses perubahan bobot. Dari hasil
simulasi komputer maka diperoleh perbandingan antara algoritma backpropagation
standar dengan backpropagation dengan penambahan momentum. Untuk algoritma
backpropagation standar kecepatan konvergensi 727 epoch dengan nilai MSE 0,01,
sedangkan algoritma backpropagation standar mencapai 4000 epoch dengan nilai
MSE 0,001. . Hal ini menunjukkan bahwa algoritma backpropagation adaptive
learning lebih cepat mencapai konvergensi daripada algoritma backpropagation
standar.
Kata kunci :Backpropagation, Adaptive learning rate, momentum, konvergensi
Universitas Sumatera Utara
Abstract
Backpropagation algorithm is a multi- layer perceptron that is widely used to solve
problems that are spacious, but also have limitations backpropagation algorithm is
fairly slow convergence rate . In this study, the authors add in an adaptive learning
rate parameter at each iteration and momentum coefficient to calculate the weight of
the change process . From the results of the computer simulations for the comparison
between the standard back propagation algorithm with propagation with additional
momentum. For standard backpropagation algorithm convergence speed of 727 epoch
with MSE value of 0.01 , while the standard back propagation algorithm reaches 4000
epoch with MSE value of 0.001 . , This shows that adaptive learning backpropagation
algorithm more quickly achieve convergence than the standard back propagation
algorithm.
Kata kunci :Backpropagation, Adaptive learning rate, momentum, konvergensi
Universitas Sumatera Utara
DAFTAR ISI
Halaman
HALAMAN JUDUL
PERSETUJUAN
PERNYATAAN ORIGINALITAS
PERSETUJUAN PUBLIKASI
PANITIA PENGUJI
RIWAYAT HIDUP
KATA PENGANTAR ...........................................................................
i
ABSTRAK .............................................................................................
iii
ABSTRACT ...........................................................................................
iv
DAFTAR ISI ..........................................................................................
v
DAFTAR TABEL ..................................................................................
viii
DAFTAR GAMBAR .............................................................................
ix
BAB 1 PENDAHULUAN ....................................................................
1
1.1. Latar Belakang ....................................................................
1
1.2. Rumusan Masalah ...............................................................
3
1.3. Batasan Masalah ..................................................................
3
1.4. Tujuan Penelitian ................................................................
3
1.5. Manfaat Penelitian ..............................................................
3
BAB 2 TINJAUAN PUSTAKA ............................................................
4
2.1. Jaringan Saraf Biologi .........................................................
4
2.2. Jaringan Saraf Tiruan (JST) ................................................
5
2.2.1 Komponen Jaringan Saraf Tiruan ..............................
6
2.2.2 Arsitektur Jaringan .....................................................
7
2.2.3 Model Pelatihan JST ..................................................
8
2.2.4 Fungsi Aktivasi dan Error ..........................................
9
2.3. Backprpagation ...................................................................
11
Universitas Sumatera Utara
2.3.1 Arsitektur Backprpagation ........................................
12
2.3.2 Algoritma Backpropagation .......................................
13
2.4. Optimalitas Arsitektur Backpropagation..............................
16
2.5. Pengenalan Pola ..................................................................
18
2.6. Prediksi.................................................................................
19
2.6.1 Definisi Prediksi .........................................................
19
2.6.2 Metode dan Jenis Prediksi..........................................
19
2.7. Penelitian yang Relevan ......................................................
20
BAB 3 METODOLOGI PENELITIAN ................................................
22
3.1. Data yang digunakan ........................................................
22
3.2. Rancangan Penelitian .......................................................
23
3.3. Proses Penyelesaian Masalah ...........................................
24
3.3.1. Perancangan Jaringan Backpropagation ........................
24
3.3.2. Arsitektur jaringan .........................................................
24
3.4. Proses Normalisasi ...........................................................
26
3.5. Komputasi Backpropagation ............................................
27
3.5.1. Pelatihan Jaringan ..........................................................
30
3.5.2. Proses Testing/Pengujian ...............................................
31
BAB 4 HASIL DAN PEMBAHASAN .................................................
32
4.1. Hasil Analisi .....................................................................
32
4.1.1 Pembobotan Awal ....................................................
32
4.1.2 Traning Data Algoritma Backpropagation Standar .
33
4.1.3 Hasil Pelatihan Algoritma Standar ..........................
36
4.1.4 Hasil Pelatihan Algoritma Backpropagation dengan Momentum
..................................................................................
37
4.2. Hasil Pengujian .................................................................
38
4.3. Pembahasan ......................................................................
38
BAB 5 KESIMPULAN DAN SARAN .................................................
39
5.1. Kesimpulan .......................................................................
39
Universitas Sumatera Utara
5.2. Saran .................................................................................
39
DAFTAR PUSTAKA
Universitas Sumatera Utara
iii
DAFTAR TABEL
Tabel 2.1. Penelitian yang Relevan ........................................................
18
Tabel 3.1. Data Input/Atribut yang digunakan .......................................
23
Tabel 3.2. Data Unnormalisasi................................................................
27
Tabel 3.3. Data setelah di Normalisasi ...................................................
28
Tabel 3.4. Pelatihan Jaringan ..................................................................
31
Tabel 4.1. Data Input yang digunakan ...................................................
34
Tabel 4.2. Output Error dan MSE ..........................................................
36
Universitas Sumatera Utara
DAFTAR GAMBAR
Gambar 2.1. Sel Saraf Biologi ...............................................................
5
Gambar 2.2. Jaringan Lapis Tunggal .....................................................
7
Gambar 2.3. Jaringan Multilapis ............................................................
7
Gambar 2.4. Jaringan Kompetitif ...........................................................
8
Gambar 2.5. Arsitektur Jaringan Backpropagation ...............................
12
Gambar 3.1. Rancangan Penelitian ........................................................
24
Gambar 3.2. Arsitektur JST Untuk Produktivitas Kelapa Sawit ...........
26
Gambar 4.1. Pelatihan Menggunakan Arsitektur 6-4-1 .........................
35
Gambar 4.2. Grafik Pelatihan Menggunakan Arsitektur 6-4-1 ..............
35
Gambar 4.3. Grafik Pembelajaran Backpropagation Standar ...............
37
Gambar 4.4. Grafik Pembelajaran Backpropagation Momentum .........
38
Universitas Sumatera Utara
PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN
BACKPROPAGATION NEURAL NETWORK
TESIS
EKA IRAWAN
147038036
PROGRAM STUDI S2 TEKNIK INFORMATIKA
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
Universitas Sumatera Utara
2016
ANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI
PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN
BACKPROPAGATION NEURAL NETWORK
TESIS
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Magister
Teknik Informatika
EKA IRAWAN
147038036
PROGRAM STUDI S2 TEKNIK INFORMATIKA
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
Universitas Sumatera Utara
2016
PERSETUJUAN
Judul
: Analisis Penambahan Nilai Momentum Pada Prediksi
Produktivitas Kelapa Sawit Menggunakan
Backpropagation Neural Network
Nama
: Eka Irawan
Nomor Induk Mahasiswa
: 147038036
Program Studi
: MAGISTER (S-2) TEKNIK INFORMATIKA
Fakultas
: ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
Komisi Pembimbing
:
Pembimbing 2
Pembimbing 1
Dr. Erna Budhiarti Nababan, M.IT
Prof. Dr. Muhammad Zarlis
Diketahui/disetujui Oleh
Program Studi S2 Teknik Informatika
Ketua,
Prof. Dr. Muhammad Zarlis
NIP. 19570701 198601 1 003
Universitas Sumatera Utara
PERNYATAAN
ANALISIS PENAMBAHAN MOMENTUM PADA PREDIKSI PRODUKTIVITAS
KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION NEURAL
NETWORK
TESIS
Saya mengakui bahwa tesis ini adalah hasil karya saya sendiri, kecuali beberapa
kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan,
Agustus 2016
Eka Irawan
147038036
Universitas Sumatera Utara
PERNYATAAN PERSETUJUAN PUBLIKASI
KARYA ILMIAH UNTUK KEPENTINGAN
AKADEMIS
Sebagai sivitas akademika Universitas Sumatera Utara, saya yang bertanda tangan
dibawah ini:
Nama
: Eka Irawan
NIM
: 147038036
Program Studi
: Teknik Informatika
Jenis Karya Ilmiah
: Tesis
Demi Pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada
Universitas Sumatera Utara Hak Bebas Royalti Non-Eksklusif (Non-Exclusive Royalty
Free Right) atas tesis saya yang berjudul :
ANALISIS PENAMBAHAN MOMENTUM PADA PREDIKSI
PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN
BACKPROPAGATION NEURAL NETWORK
Beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti NonEksklusif ini, Universitas Sumatera Utara berhak menyimpan, mengalih media,
memformat, mengolah dalam bentuk database, merawat dan mempublikasikan tesis
saya tanpa meminta izin dari saya selama tetap mencantumkan nama saya sebagai
penulis dan sebagai pemegang dan/atau sebagai pemilik hak cipta
Demikian pernyataan ini dibuat dengan sebenarnya.
Medan,
Agustus 2016
Eka Irawan
Universitas Sumatera Utara
147038036
Telah diuji pada
Tanggal : Agustus 2016
PANITIA PENGUJI TESIS
Ketua
: Prof. Dr. Muhammad Zalis
Anggota
: 1. Dr. Erna Budhiarti Nababan, M.IT
2. Prof. Dr. Herman Mawengkang
3. Prof. Dr. Tulus
Universitas Sumatera Utara
RIWAYAT HIDUP
DATA PRIBADI
Nama Lengkap
: Eka Irawan, S.Kom
Tempat dan Tanggal Lahir
: Pondok Lama, 18 Januari 1989
Alamat Rumah
: Jl. Malanthon Siregar, Gg. Cantik Manis No 2,
Pematangsiantar
Telp/Fax/HP
: 0812 6548 3736
: [email protected]
Instansi Tempat Bekerja
: AMIK & STIKOM Tunas Bangsa
Alamat Kantor
: Jl. Jend. Sudirman Blok A, No. 1, 2 & 3
Pematangsiantar
DATA PENDIDIKAN
SD
: SD Negeri 091292 Simpang Raya
TAMAT : 2000
SLTP : SMP Negeri 2 Panei
TAMAT : 2003
SLTA : SMU Negeri 1 Panei
TAMAT : 2006
D3
: AMIK Tunas Bangsa Pematangsiantar
TAMAT : 2009
S1
: STTP Politeknik Poliprofesi Medan
TAMAT : 2010
S2
: Universitas Sumatera Utara
TAMAT : 2016
Universitas Sumatera Utara
KATA PENGANTAR
Ucapan syukur dan terimakasih penuli kepada Allah SWT, atas segala rahmatNya
sehingga penelitian ini yang berjudul “Analisis Penambahan Momentum Pada Prediksi
Produktivitas Kelapa Sawit Menggunakan Backpropagation Neural Network ” dapat
diselesaikan dengan baik. Maka dengan kerendahan hati penulis mengucapkan
terimakasih kepada :
1. Bapak Prof. Dr. Muhammad Zarlis selaku Ketua Program Studi S2 Teknik
Informatika.
2. Bapak Mohammad Andri Budiman, ST., M.Comp.Sc., M.E.M Selaku
Sekretaris Program Studi S2 Teknik Informatika.
3. Bapak Prof. Dr. Muhammad Zarlis selaku pembimbing utama penulis atas
arahan dan kesempatan yang diberikan kepada penulis untuk mengikuti dan
menyelesaikan Program Magister pada Program Studi Magister Teknik
Informatika Fakultas Ilmu Komputer dan Teknologi Informasi Universitas
Sumatera Utara.
4. Bapak Dr. Erna Budhiarti Nababan, M.IT selaku pembimbing kedua penulis
atas arahan dan kesempatan yang diberikan kepada penulis untuk mengikuti
dan menyelesaikan Program Magister pada Program Studi Magister Teknik
Informatika Fakultas Ilmu Komputer dan Teknologi Informasi Universitas
Sumatera Utara.
5. Seluruh Dosen dan Staf Pegawai Program Studi S2 Teknik Informatika
Fakultas Ilmu Komputer dan Teknologi Informasi
Universitas Sumatera
Utara, yang telah memberikan bantuan dan pelayanan terbaik selama
mengikuti perkuliahan hingga pada penyelesaian tesis ini.
6. Bapak H. Maulia Ahmad Ridwansyah Putra, selaku Ketua Yayasan
Muhammad Nasir Pematangsiantar, yang telah memberikan bantuan, moril
dan motifasi kepada penulis selama mengikuti perkuliahan hingga pada
penyelesaian tesis ini.
Universitas Sumatera Utara
7. Bapak Dedy Hartama, ST., M.Kom, yang telah memberikan bantuan, moril
dan motifasi kepada penulis selama mengikuti perkuliahan hingga pada
penyelesaian tesis ini.
8. Seluruh Dosen dan Staf Pegawai AMIK Tunas Bangsa, yang telah
memberikan bantuan dan moril selama mengikuti perkuliahan hingga pada
penyelesaian tesis ini.
9. Orangtua tercinta, ayahanda Edi Susanto dan Ibunda Wagiati serta saudarasaudaraku atas ketulusan do‟a, motifasi dan nasehat-nasehat sepanjang waktu
sehingga dapat menyelesaikan pendidikan.
10. Istri tercinta Yuyun Astri Ningsih Nasution atas ketulusan do‟a, motifasimotifasi yang diberikan kepada penulis sepanjang waktu sehingga dapat
menyelesaikan pendidikan.
11. Teman-teman seperjuangan KOM-A stambuk 2014 Fasilkom TI USU buat
kebersamaan dan kekompakkan dalam perkuliahan dan tetap semangat sampai
akhir.
12. Grup seperjuangan pengerjaan tesis Sumarno, M.Kom, Indra Gunawan,
M.Kom, Heru Satria, M.Kom, Muhammad Ridwan Lubis, M.Kom, Herry
Siagian, M.Kom, Budi Sibarani, M.Kom dan Eva Desiana, M.Kom.
Penulis menyadari bahwa isi tesis ini masih jauh dari kesempurnaan , untuk itu
mohon kiranya para pembaca memberikan masukan, kritik dan saran yang sifatnya
membangun untuk perbaikan sehingga dapat bermanfaat. Semoga karya ilmiah ini
bermanfaat bagi kemajuan Ilmu pengetahuan dan pendidikan.
Medan,
Agustus 2016
Eka Irawan
147038039
Universitas Sumatera Utara
Abstrak
Algoritma backpropagation merupakan multi layer perceptron yang banyak digunakan
untuk menyelesaikan persoalan yang luas, namun algoritma backpropagation juga
mempunyai keterbatasan yaitu laju konvergensi yang cukup lambat. Pada penelitian
ini penulis menambahkan parameter learning rate secara adaptif pada setiap iterasi
dan koefisien momentum untuk menghitung proses perubahan bobot. Dari hasil
simulasi komputer maka diperoleh perbandingan antara algoritma backpropagation
standar dengan backpropagation dengan penambahan momentum. Untuk algoritma
backpropagation standar kecepatan konvergensi 727 epoch dengan nilai MSE 0,01,
sedangkan algoritma backpropagation standar mencapai 4000 epoch dengan nilai
MSE 0,001. . Hal ini menunjukkan bahwa algoritma backpropagation adaptive
learning lebih cepat mencapai konvergensi daripada algoritma backpropagation
standar.
Kata kunci :Backpropagation, Adaptive learning rate, momentum, konvergensi
Universitas Sumatera Utara
Abstract
Backpropagation algorithm is a multi- layer perceptron that is widely used to solve
problems that are spacious, but also have limitations backpropagation algorithm is
fairly slow convergence rate . In this study, the authors add in an adaptive learning
rate parameter at each iteration and momentum coefficient to calculate the weight of
the change process . From the results of the computer simulations for the comparison
between the standard back propagation algorithm with propagation with additional
momentum. For standard backpropagation algorithm convergence speed of 727 epoch
with MSE value of 0.01 , while the standard back propagation algorithm reaches 4000
epoch with MSE value of 0.001 . , This shows that adaptive learning backpropagation
algorithm more quickly achieve convergence than the standard back propagation
algorithm.
Kata kunci :Backpropagation, Adaptive learning rate, momentum, konvergensi
Universitas Sumatera Utara
DAFTAR ISI
Halaman
HALAMAN JUDUL
PERSETUJUAN
PERNYATAAN ORIGINALITAS
PERSETUJUAN PUBLIKASI
PANITIA PENGUJI
RIWAYAT HIDUP
KATA PENGANTAR ...........................................................................
i
ABSTRAK .............................................................................................
iii
ABSTRACT ...........................................................................................
iv
DAFTAR ISI ..........................................................................................
v
DAFTAR TABEL ..................................................................................
viii
DAFTAR GAMBAR .............................................................................
ix
BAB 1 PENDAHULUAN ....................................................................
1
1.1. Latar Belakang ....................................................................
1
1.2. Rumusan Masalah ...............................................................
3
1.3. Batasan Masalah ..................................................................
3
1.4. Tujuan Penelitian ................................................................
3
1.5. Manfaat Penelitian ..............................................................
3
BAB 2 TINJAUAN PUSTAKA ............................................................
4
2.1. Jaringan Saraf Biologi .........................................................
4
2.2. Jaringan Saraf Tiruan (JST) ................................................
5
2.2.1 Komponen Jaringan Saraf Tiruan ..............................
6
2.2.2 Arsitektur Jaringan .....................................................
7
2.2.3 Model Pelatihan JST ..................................................
8
2.2.4 Fungsi Aktivasi dan Error ..........................................
9
2.3. Backprpagation ...................................................................
11
Universitas Sumatera Utara
2.3.1 Arsitektur Backprpagation ........................................
12
2.3.2 Algoritma Backpropagation .......................................
13
2.4. Optimalitas Arsitektur Backpropagation..............................
16
2.5. Pengenalan Pola ..................................................................
18
2.6. Prediksi.................................................................................
19
2.6.1 Definisi Prediksi .........................................................
19
2.6.2 Metode dan Jenis Prediksi..........................................
19
2.7. Penelitian yang Relevan ......................................................
20
BAB 3 METODOLOGI PENELITIAN ................................................
22
3.1. Data yang digunakan ........................................................
22
3.2. Rancangan Penelitian .......................................................
23
3.3. Proses Penyelesaian Masalah ...........................................
24
3.3.1. Perancangan Jaringan Backpropagation ........................
24
3.3.2. Arsitektur jaringan .........................................................
24
3.4. Proses Normalisasi ...........................................................
26
3.5. Komputasi Backpropagation ............................................
27
3.5.1. Pelatihan Jaringan ..........................................................
30
3.5.2. Proses Testing/Pengujian ...............................................
31
BAB 4 HASIL DAN PEMBAHASAN .................................................
32
4.1. Hasil Analisi .....................................................................
32
4.1.1 Pembobotan Awal ....................................................
32
4.1.2 Traning Data Algoritma Backpropagation Standar .
33
4.1.3 Hasil Pelatihan Algoritma Standar ..........................
36
4.1.4 Hasil Pelatihan Algoritma Backpropagation dengan Momentum
..................................................................................
37
4.2. Hasil Pengujian .................................................................
38
4.3. Pembahasan ......................................................................
38
BAB 5 KESIMPULAN DAN SARAN .................................................
39
5.1. Kesimpulan .......................................................................
39
Universitas Sumatera Utara
5.2. Saran .................................................................................
39
DAFTAR PUSTAKA
Universitas Sumatera Utara
iii
DAFTAR TABEL
Tabel 2.1. Penelitian yang Relevan ........................................................
18
Tabel 3.1. Data Input/Atribut yang digunakan .......................................
23
Tabel 3.2. Data Unnormalisasi................................................................
27
Tabel 3.3. Data setelah di Normalisasi ...................................................
28
Tabel 3.4. Pelatihan Jaringan ..................................................................
31
Tabel 4.1. Data Input yang digunakan ...................................................
34
Tabel 4.2. Output Error dan MSE ..........................................................
36
Universitas Sumatera Utara
DAFTAR GAMBAR
Gambar 2.1. Sel Saraf Biologi ...............................................................
5
Gambar 2.2. Jaringan Lapis Tunggal .....................................................
7
Gambar 2.3. Jaringan Multilapis ............................................................
7
Gambar 2.4. Jaringan Kompetitif ...........................................................
8
Gambar 2.5. Arsitektur Jaringan Backpropagation ...............................
12
Gambar 3.1. Rancangan Penelitian ........................................................
24
Gambar 3.2. Arsitektur JST Untuk Produktivitas Kelapa Sawit ...........
26
Gambar 4.1. Pelatihan Menggunakan Arsitektur 6-4-1 .........................
35
Gambar 4.2. Grafik Pelatihan Menggunakan Arsitektur 6-4-1 ..............
35
Gambar 4.3. Grafik Pembelajaran Backpropagation Standar ...............
37
Gambar 4.4. Grafik Pembelajaran Backpropagation Momentum .........
38
Universitas Sumatera Utara